awesome-industrial-anomaly-detection

一库在手，快速检索工业缺陷检测论文与数据集

这是一个持续更新的工业图像异常/缺陷检测论文与数据集检索库，汇集了该领域从经典到前沿的学术资源。项目按任务类型（如异常检测、异常分割、缺陷分类）和数据集（如MVTec AD、BTAD等）分类整理，覆盖无监督、弱监督、自监督等主流方法，并包含医学影像等扩展场景。它解决了研究者与工程师在工业质检领域难以快速获取系统化资料的问题，核心能力在于结构化梳理论文、提供数据集下载链接与基准对比，帮助用户高效追踪技术演进、选择合适方法。项目以GitHub仓库形式维护，通过社区贡献持续更新，是进入工业视觉异常检测领域的实用导航工具。

开源 free 计算机视觉

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 3794

维护状态活跃

是否开源是

定价模式 free

项目数据

分类计算机视觉

开发团队M-3LAB

所属国家

官网地址

GitHubhttps://github.com/M-3LAB/awesome-industrial-anomaly-detection

定价模式free

价格说明开源项目，免费提供论文列表和数据集资源，无付费版本。

访问状态

是否开源是

开源协议

主要语言

技术栈/模型anomaly-detection,anomaly-segmentation,computer-vision,dataset,deep-learning,defect-detection,industrial-image,medical

GitHub 星标★ 3794

30天Star增速

HF 下载量

上线时间2022-12-02 00:00:00

最近更新2026-09-23 00:00:00

维护状态活跃

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-10

浏览次数5

使用教程

难度：入门约 5 分钟部署方式：本地安装 6 步

⚠ 该项目 README 未提供完整安装说明，以下步骤为通用流程，请以官方文档为准。

环境要求

能正常访问 GitHub 的网络环境
已安装 git（用于把仓库克隆到本地，可选）
浏览器或 Markdown 阅读器，用于查看 README 与论文链接

安装与启动步骤

1克隆资源仓库

把整个导航库拉到本地，方便离线检索论文与数据集条目；不想克隆也可直接在网页查看。
```
git clone https://github.com/M-3LAB/awesome-industrial-anomaly-detection.git
```
2进入仓库目录

切换到克隆下来的文件夹，根目录下的 README.md 就是全部资源清单。
```
cd awesome-industrial-anomaly-detection
```
3阅读综述论文

README 顶部列出多篇综述，包括 Machine Intelligence Research 的深度工业图像异常检测综述与 2026 年新综述。
4查看基准与结果

通过 Main Page、Survey、Benchmark、Result 等入口跳转到 IM-IAD 基准仓库与结果页面，对比不同方法表现。
5按任务与数据集检索

按异常检测、异常分割、缺陷分类等任务，或 MVTec AD、BTAD 等数据集名称在 README 中定位对应论文。
6提交自己的贡献

整理好新论文并归入正确分类后，向仓库发起 pull request，README 明确欢迎社区贡献。

如何确认成功

打开仓库根目录 README.md，能看到综述论文列表以及按任务、数据集分类的条目即表示资源获取成功。

常见问题

Q：这个项目需要安装依赖或运行代码吗？

A：不需要。它是论文与数据集的精选导航列表，克隆后直接阅读 Markdown 文件或用浏览器查看即可，README 中没有任何安装或启动命令。

Q：怎样快速找到某个数据集的相关论文？

A：在 README.md 中按数据集名称（如 MVTec AD、BTAD）或任务关键词（anomaly detection、anomaly segmentation）搜索定位对应章节。

Q：论文里的代码在哪里获取？

A：README 中的论文条目会附带 code 等链接，可直接跳到作者的实现仓库；官方基准代码见 M-3LAB/open-iad 项目。

Q：可以把自己发现的论文加进去吗？

A：可以。README 明确欢迎贡献，按现有分类整理好条目后向该仓库提交 pull request 即可。

注意事项

README 节选中未提供任何安装、配置或运行命令，本教程只覆盖浏览与检索流程，未包含的信息一律未编造。
项目本身是资源清单，不是可执行工具；具体算法实现需前往条目中给出的代码链接获取。
论文链接多指向 Springer、arXiv 等外部站点，访问时需保证网络可达。

核心亮点

分类细致，按任务、方法、数据集多维度组织，检索效率高
收录全面，涵盖经典与最新论文，且持续更新
附带数据集链接和基准信息，便于复现与对比实验

不足之处

部分论文链接可能失效，需要维护者定期检查
缺少代码实现或复现细节，仅作为文献索引

适用场景

工业质检算法选型前的文献调研
撰写学术论文时的相关工作总结
入门工业异常检测领域的学习路径规划

替代项目

awesome-deep-learning、awesome-computer-vision、MVTec AD dataset official repo

项目介绍

awesome-industrial-anomaly-detection 是计算机视觉领域的开源项目，由 M-3LAB 开发，2022 年首次发布。

在全站 13,090 个收录项目中，它的 GitHub 星标数（3,794）位列前 30%，在计算机视觉分类的 447 个项目里位列前 11%。

近 42 天，它的 GitHub 星标从 3,733 增加到 3,794，净增 61。

项目目前处于活跃维护状态，最近一次代码更新于 2026-09-23。免费提供论文列表和数据集资源，无付费版本。

它主要面向的使用场景是：工业质检算法选型前的文献调研。同类可对比的替代方案包括 awesome-deep-learning、awesome-computer-vision、MVTec AD dataset official repo。

上一篇：techniques

下一篇：unrealcv